超音波画像データに基づく深層学習と臨床特徴を統合した予測モデルによる8ヶ月未満の小児における腸重積の外科的介入の予測
カテゴリ：診断支援・画像解析
公開日：2026年2月19日
タイトル：Predictive model integrating deep learning and clinical features based on ultrasound imaging data for surgical intervention in intussusception in children younger than 8 months.
雑誌名：BMJ Open. 2025 Aug 22; 15(8): e097575.
概 要：
本研究の目的は、8ヶ月未満の小児における腸重積のエネマ減圧失敗のリスク因子を特定し、深層学習（DL）特徴と臨床特徴を統合したモデルを構築して外科的介入を予測することです。2017年1月から2022年12月までのデータを用いた回顧的研究と、2023年1月から2024年7月までの前向き検証コホートを設定しました。415件の腸重積症例が研究に含まれ、モデルの性能を評価しました。
方 法：
本研究は回顧的研究で、415件の腸重積症例を対象としました。280件はセンター1から収集され、訓練コホート（n=196）と内部検証コホート（n=84）に分けられました。センター2からの85件は外部検証コホートとして使用されました。深層転移学習特徴を抽出するために事前訓練されたDLネットワークを使用し、最小絶対収縮および選択演算子回帰を用いて非ゼロ係数特徴を選択しました。臨床特徴は単変量および多変量ロジスティック回帰分析でスクリーニングされました。
結 果：
内部および外部検証コホートにおいて、統合モデルは外科的介入の予測においてそれぞれAUC 0.911および0.871を示し、臨床モデル（AUC 0.776および0.740）やDLモデル（AUC 0.828および0.793）よりも優れた性能を示しました。前向き検証コホートでも、統合モデルはAUC 0.890を達成しました。
結 論：
DLと臨床特徴を統合した統合モデルは安定した予測精度を示し、腸重積に対する臨床治療戦略の改善の可能性が示唆されました。